劉鐘濤，劉蘭淇

(河南財經(jīng)政法大學 現(xiàn)代教育技術中心，河南 鄭州 450046)

0 引 言

許多研究人員對協(xié)同過濾方法進行了有價值的研究[1-3]，有效地緩解了稀疏評分矩陣的問題，但是受限于評分信息的數(shù)量，依然難以準確預測出缺失的評分信息。

隨著電子商務的廣泛應用，每條交易信息包含了用戶評論內(nèi)容、曬圖、用戶檔案、商品介紹、商家檔案等一系列數(shù)據(jù)，傳統(tǒng)基于評分的協(xié)同過濾方法已經(jīng)難以準確地評估出用戶相似性和項目相似性。除了協(xié)同過濾推薦方法，基于內(nèi)容的推薦方法成為了推薦系統(tǒng)領域的研究熱點。

為了充分利用用戶評論的信息，設計了方面級的觀點挖掘算法[4,5]，分析用戶對產(chǎn)品每個方面的情感極性。當前的觀點挖掘算法大多為觀點的每個方面分配相等的權重[6]，但在推薦系統(tǒng)問題中，用戶對不同方面的重視程度有所差異，某些用戶可能偏愛外觀好的產(chǎn)品、某些用戶可能偏愛物流快的產(chǎn)品，因此分配相等權重很難提取出用戶的細粒度興趣。為了更加契合現(xiàn)實的產(chǎn)品推薦場景，提出了新的方面級加權觀點挖掘方法，利用深度學習技術提取產(chǎn)品的每個方面及其情感極性，再估計出用戶對不同方面的權重，最終結合觀點的分析結果為用戶提供推薦的項目列表。

1 方面級的評論分析方法

現(xiàn)有的觀點挖掘算法直接從文字評論提取觀點[7]，未能很好地和推薦系統(tǒng)相結合，本文設計了基于深度學習的觀點提取技術，使用張量分解法計算每個方面的加權調(diào)和評分值，最終預測出用戶的評分。假設推薦系統(tǒng)的項目集為P={p1,p2,…,pn}，用戶集為V={v1,v2,…,vn}。設R表示用戶-項目評分矩陣，矩陣元素rij表示用戶vi對項目pj的評分。另外創(chuàng)建一個標識矩陣M=[mij]I×J，每個變量mij表示評分rij是否具有評論內(nèi)容。

圖1 推薦系統(tǒng)的完整框架

1.1 基于MCNN的評價對象抽取

方面級觀點挖掘包含4個要素：方面、觀點持有者、觀點語義和情感，可描述為持有者對某一方面給出具有情感的語義。CNN在觀點挖掘問題上表現(xiàn)出較好的性能，本文設計了雙通道CNN結構提取產(chǎn)品的方面級觀點。

圖2是CNN的總體結構。CNN包括兩個輸入通道：詞嵌入(Word Embedding)通道和詞性(Part of Speech)標注嵌入通道。詞嵌入通道的目標是學習評論內(nèi)容的語義和上下文信息，該通道采用成熟的word2vec[8]模型實現(xiàn)，該模型采用CBOW框架在大規(guī)模Google新聞語料庫上訓練而來。CNN的詞嵌入通道將每個詞映射到低維向量，生成矩陣X∈Rn×k。詞性標注嵌入通道也采用了成熟的Stanford POS Tagger編碼[9]，以一個45維向量表示詞性，詞性表示為：wz∈Rn×45。

圖2 CNN的總體結構

(1)卷積層

卷積層從產(chǎn)品評論中提取最顯著的特征。該層通過兩個大小不同的filter生成局部特征，詞嵌入通道和標注通道的filter大小不同。設wx∈Rh×k為詞嵌入通道的filter，h為filter的高度，X為詞嵌入通道的矩陣。卷積層提取特征的數(shù)學式可表示為

Ci=f(w·xi+h+b)

(1)

式中：f為非線性函數(shù)，b為偏置項。通過滑動窗口尋找X中的所有可能詞，獲得一個特征圖

(2)

式中：cx∈Rn-h+1。

標注嵌入通道的filter設為wz∈Rh×l，其對應的特征圖表示為

(3)

式中：cz∈Rn-h+1。

(2)池化層

通過最大池化層提取出卷積結果的最大元素，池化層的數(shù)學模型可表示為

(4)

(5)

式中：n和m分別為語義特征和標注特征的數(shù)量。

(3)輸出層

最終運用softmax函數(shù)生成輸出標簽。輸出層的數(shù)學式可表示為

O=w·(c°r)+b

(6)

式中：r=Rn+m服從伯努利分布。

1.2 方面聚類

在許多產(chǎn)品評論中用戶涉及了多個方面，但有些方面可以歸納為一組，例如：“快遞速度快！”和“發(fā)貨神速！”這兩個評價屬于同一個類型。因此需要對CNN提取的方面信息進行歸納處理，但用戶評論中存在大量不規(guī)范的語言表述方式，難以通過現(xiàn)有的聚類算法和距離度量方法直接進行分組。為此本文設計了基于自編碼器的方面級評論歸納方法。

評論歸納的目標是將詞語(方面)映射到實向量空間，使兩個詞之間的距離轉化成實向量空間中的距離，然后使用K-means方法對方面進行聚類(方面數(shù)量K值由實驗確定)。映射函數(shù)F()需服從兩個約束條件：①在實向量空間中，一個特定詞和它的不規(guī)范詞之間的距離應當小于該詞和其它不規(guī)范詞之間的距離。②在實向量空間中，意義相似的詞之間距離應當小于意義不相似詞的距離。本文使用降噪自編密碼器實現(xiàn)第①個約束。采用上下文編碼器實現(xiàn)第②個約束，編碼器假設上下文相同的詞意相似。

(1)降噪自編碼器設計

自編碼器的結構包括輸入層、隱藏層和輸出層3個部分。假設x為一個訓練樣本，自編碼器的目標是學習一個函數(shù)id(x)≈x。如果對自編碼器設置約束條件，那么函數(shù)id()能夠學習數(shù)據(jù)的特征和結構。為輸入數(shù)據(jù)增加噪聲也是一種約束，自編碼器識別出最相關的特征，該類型的自編碼器稱為降噪自編碼器。

h(v(mj))=o(Wv(mj)+b)

(7)

其中，W為權重矩陣，o為激活函數(shù)，b為偏置項。W的每個元素wpq表示v(mj)第p個元素和自編碼器第q個隱層單元間連接的權重。

(8)

(9)

其中，函數(shù)d()表示在實向量空間的距離度量函數(shù)。

圖3 降噪自編碼器的網(wǎng)絡結構

(2)上下文編碼方法

將自編碼器與上下文環(huán)境連接起來，上下文定義為一個詞語序列a1,a2,…,aT，其中at∈A。上下文編碼器的目標是學習一個概率函數(shù)g()，g()能反映每個詞在給定上下文的概率，g()定義為詞at出現(xiàn)在序列at-1,…,at-s-1之后的可能性，表示為g(at,at-1,…,at-s-1)=P(at|at=1,…,at=s=1)。將g()分成兩個子函數(shù)：①將詞語ai∈A映射成向量的函數(shù)：u(ai)，表示詞ai在詞集中相關聯(lián)的詞向量。②詞向量空間的概率函數(shù)：f()，f()根據(jù)上下文的詞向量序列(u(at),u(at-1),…,u(at-s-1))，計算出下一個詞at的條件概率分布：g(at,at-1,…,at-s-1)=f(u(at),u(at-1),…,u(at-s-1))。

函數(shù)g()是u()和f()的復合函數(shù)，通過上下文編碼器學習函數(shù)g()，編碼器的網(wǎng)絡結果如圖4所示。圖中矩陣U為詞向量矩陣，f()的參數(shù)設為ω。通過最大化以下的對數(shù)似然來訓練神經(jīng)網(wǎng)絡

(10)

f()采用softmax輸出層，定義為

(11)

其中，y為神經(jīng)網(wǎng)絡隱層的輸出，y的計算式為

(12)

圖4 上下文編碼器的網(wǎng)絡結構

(3)詞空間的距離

如果h和v為雙射函數(shù)，那么降噪自編碼器h(v(ai))也滿足從詞空間C到h(v(C)?n的雙射關系。由此可得詞ai和aj自編碼器表示之間的距離函數(shù)Da在空間詞空間C中也具備距離度量能力，Da距離定義為

Da(ai,aj)=d(h(v(ai)),h(v(aj)))

(13)

圖5是降噪自編碼器和上下文編碼器混合的深度網(wǎng)絡結構，初始化函數(shù)v是詞的獨熱編碼，考慮自編碼器和上下文編碼相結合獲得映射函數(shù)F，因此包含上下文關系的距離度量方法為

Dc(ai,aj)=d(F(ai),F(aj))

(14)

其中，Dc可視為對Da的擴展，Dc含有詞的上下文關系。

圖5 混合編碼器的網(wǎng)絡結構

自編碼器的目標是最小化正確詞和非標準詞向量表示之間的距離，上下文編碼器則同時學習了矩陣U中標準詞和不規(guī)范詞的向量表示。

2 觀點挖掘和推薦系統(tǒng)的結合方法

2.1 計算方面級的評分

上文獲得了歸納后的方面集和觀點集，然后估計方面級的評分矩陣R1,R2,…,RK，K為方面數(shù)量。首先采用語義Wordnet方法[10]計算每個方面的情感極性評分，假設ak是評論Dij的一個方面，那么該方面評分的計算式為

(15)

式中：Wk表示Dij中與方面ak相關的詞集，OP(w)表示詞的極性評分。

2.2 估計方面級的權重

(16)

式中：R為一維張量元素的數(shù)量，運算符“°”表示向量外積運算，xr、yr和zr分別為矩陣X、Y和Z的列向量，I×R、J×R和K×R分別為X、Y和Z的大小。式(16)的元素級計算式為

(17)

(18)

通過對以下目標函數(shù)進行最小化處理，計算出矩陣X、Y和Z的最優(yōu)值

(19)

約束條件為

gijk≡-wijk≤0

(20)

(21)

式中：i=1,…,I，j=1,…,J,k=1,2,…,K,gijk和hij為約束條件。使用梯度下降法[11]估計式(17)的最佳矩陣X、Y和Z。

(22)

2.3 預測用戶評分

(23)

式中：D為張量的維數(shù)。

3 仿真實驗與結果分析

本文利用方面級觀點挖掘技術以提高推薦系統(tǒng)的性能，因此對系統(tǒng)的方面級觀點挖掘技術和總推薦系統(tǒng)分別進行了驗證實驗。

3.1 方面提取實驗

采用觀點挖掘問題常用的Amazon數(shù)據(jù)集[13]作為benchmark數(shù)據(jù)集，從該數(shù)據(jù)集選擇3種產(chǎn)品的文字評論，分別為DVD，Canon和Cell phane。數(shù)據(jù)集的每個句子被標注了方面和觀點極性。表1是數(shù)據(jù)集的介紹。

表1 實驗數(shù)據(jù)集的統(tǒng)計信息

(1)對比方法和參數(shù)設置

本次實驗采用了4組對比模型：①基于字典學習的觀點挖掘算法(DLC)[14]，②基于循環(huán)深度學習的觀點挖掘(DLM)[15]，③基于CNN和SVM的觀點挖掘算法(CNN-SVM)[16]，④基于種群優(yōu)化聚類的觀點挖掘算法(SwarmC)[17]。本文觀點挖掘算法包含聚類技術和卷積神經(jīng)網(wǎng)絡技術，通過CNN-SVM[16]可評估本文改進CNN模型的性能。

本文的CNN模型嵌入層和卷積層均采用大小為(3,4,5)的filter。每個filter包含100個特征圖，dropout率為0.5。將ReLU作為激活函數(shù)，隱層單元數(shù)量為128。采用隨機梯度下降法訓練CNN模型，基于5折交叉驗證方法確定網(wǎng)絡的參數(shù)。鑒于F1-score指標綜合了精度指標和召回率指標，采用F1-score作為總評價指標。

(2)方面提取實驗的結果

圖6是5個觀點挖掘算法的F1-score結果，實驗結果的置信度為95%。圖中顯示，DLC和SwarmC兩個算法的性能低于其它3個算法，由此可看出當前的深度學習技術在觀點挖掘問題上具有較好的效果。另外比較DLM和CNN-SVM兩個算法，CNN-SVM的結果略好于DLM，CNN-SVM通過經(jīng)典CNN提取評論的觀點和詞性，再通過SVM對觀點進行歸納。DLM所采用的循環(huán)神經(jīng)網(wǎng)絡包含忘記機制導致提取的特征集稀疏性較高，因此未能達到CNN-SVM的性能。本文系統(tǒng)的性能則略高于CNN-SVM，由此總結出：本文的CNN雙通道結構有效地增強了方面級觀點檢測的性能，基于混合編碼器的觀點歸納方法也有效地提高了觀點挖掘的性能。

圖6 觀點挖掘實驗的結果

3.2 推薦系統(tǒng)實驗

基于內(nèi)容的推薦系統(tǒng)通常需要具備評分預測能力和良好的推薦結果，在此對本文系統(tǒng)的評分預測能力和推薦性能進行了實驗評估。使用McAuley[18]收集的Amazon數(shù)據(jù)集，該數(shù)據(jù)集包含大量產(chǎn)品的評論內(nèi)容和評分信息，原數(shù)據(jù)集十分龐大，選擇其中兩個產(chǎn)品類別進行實驗：樂器類產(chǎn)品和影音類產(chǎn)品。篩選出評論數(shù)量在5條以上的用戶以及被評論數(shù)量在5條以上的產(chǎn)品，將其它不滿足條件的數(shù)據(jù)刪除。將數(shù)據(jù)集隨機選擇80%作為訓練集、10%作為測試集、10%作為驗證集，驗證集用于微調(diào)神經(jīng)網(wǎng)絡的超參數(shù)。表2是最終實驗數(shù)據(jù)集的統(tǒng)計信息。

表2 實驗數(shù)據(jù)集的統(tǒng)計信息

(1)性能評價指標和對比模型

采用RMSE和MAE兩個指標評估評分預測的性能，RMSE指標定義為

(24)

MAE指標定義為

(25)

式中：T為測試集的實例數(shù)量。

采用pre@10和平均精度均值(MAP)指標評估推薦結果的性能。pre@10統(tǒng)計了推薦系統(tǒng)返回的10個項目中包含了多少個相關項，定義為

(26)

MAP指標則重點評價了推薦項目列表的排列質量，相關度高的項目應當被優(yōu)先推薦。設查詢qi∈Q的相關項為{i1,…,im}，Rjk為推薦系統(tǒng)返回的前ik個項，MAP的計算方法為

(27)

本次實驗采用了4組對比模型，基于模糊系統(tǒng)的評分預測和推薦系統(tǒng)(SAwareRP)[19]，基于圖模型和特征向量的評分預測和推薦系統(tǒng)(GraphRP)[20]，結合循環(huán)神經(jīng)網(wǎng)絡和反向傳播神經(jīng)網(wǎng)絡的評分預測和推薦系統(tǒng)(RNN&BPNN)[21]，基于觀點挖掘的協(xié)同過濾推薦系統(tǒng)(CFOM)[22]。SAwareRP和GraphRP是和本文系統(tǒng)不同類型的評分預測技術，通過這兩個模型觀察不同系統(tǒng)類型的性能差異。RNN&BPNN是一個采用多層深度深度學習技術的評分預測技術，通過該模型觀察本文所采用的卷積神經(jīng)網(wǎng)絡是否有效。CFOM也是基于觀點挖掘的評分預測技術，該技術僅對評論觀點的極性進行了粗粒度的分析，通過該模型觀察本文方面級的評論挖掘技術是否有效。

(2)參數(shù)K實驗

本系統(tǒng)將CNN挖掘的觀點分為K個分組，選擇不同的K值進行了實驗，觀察K值對系統(tǒng)性能的影響。圖7是值為{5,10,15,20,25,30}時，推薦系統(tǒng)在驗證集上的平均RMSE結果和平均MAE結果。圖7中結果顯示，兩個數(shù)據(jù)集在K=15-20之間的預測性能最佳，K值過高會破壞方面和潛在因子矩陣之間的一對一映射關系，從而導致預測性能下降。在下文的實驗中將K參數(shù)設為15。

圖7 在驗證集上的試錯實驗

3.3 評分預測性能

圖8是不同系統(tǒng)在測試集上的平均預測實驗結果。綜合圖中的全部結果，RNN&BPNN并未利用產(chǎn)品的評論信息，而是分析了用戶的個人檔案和評分信息，其評分預測的性能略低于其它4個系統(tǒng)。此外，基于觀點挖掘的評分算法CFOM和本文系統(tǒng)優(yōu)于其它3個算法，由此可確定挖掘產(chǎn)品的評論信息具有明顯的效果。CFOM對評論內(nèi)容給出總體的極性判斷，如消極、中性和積極等，而在實際情況下，某些用戶可能偏愛外觀好的產(chǎn)品、某些用戶可能偏愛物流快的產(chǎn)品，因此通過總體極性判斷很難提取出用戶的細粒度興趣。本文系統(tǒng)則深入分析了評論的方面級觀點，并通過三階張量分解技術估計用戶對每個方面的權重值，通過細粒度的觀點分析提高了評分預測的準確性。

圖8 在測試集上的實驗

本文系統(tǒng)的優(yōu)勢在于加強了對評論不同方面的觀點挖掘，提高了評分預測的魯棒性和總體質量，該實驗也表明高質量的觀點挖掘技術能夠促進推薦系統(tǒng)的推薦性能。

3.4 推薦結果的質量評價

基于預測的評分為每個測試用戶產(chǎn)生一個Top-10的推薦項目列表，列表的項目按用戶的偏好降序排列。圖9是每個推薦系統(tǒng)的推薦列表pre@10指標和MAP指標。

圖9 每個推薦系統(tǒng)的推薦列表質量

圖9中CFOM的評分預測性能較好，但是該系統(tǒng)經(jīng)過協(xié)同過濾的矩陣分解之后推薦的精度有所衰減，但CFOM的項目排列質量較為理想。SAwareRP的評分預測性能略低于其它模型，但該系統(tǒng)通過在矩陣分解過程中設立了約束，有效地提高了推薦系統(tǒng)的推薦質量。SAwareRP系統(tǒng)對樂器類產(chǎn)品的MAP指標較好，與本文系統(tǒng)較為接近。本文系統(tǒng)的pre@10指標和MAP指標明顯高于其它4個推薦系統(tǒng)，由此可看出本文系統(tǒng)加強了對評論不同方面的觀點挖掘，提高了評分預測的魯棒性和總體質量，該實驗也表明高質量的觀點挖掘技術能夠促進推薦系統(tǒng)的推薦性能。

4 結束語

為了更加契合現(xiàn)實的產(chǎn)品推薦場景，提出了一種方面級加權觀點挖掘方法，并將該方法應用于推薦系統(tǒng)。系統(tǒng)通過卷積神經(jīng)網(wǎng)絡學習評論內(nèi)容在方面級的情感和觀點，然后基于降噪自編碼器對方面級的觀點集合進行歸納和分組，以三階張量分解技術為基礎，推斷出用戶對項目的綜合評分。實驗結果表明，該系統(tǒng)有效地提高了推薦系統(tǒng)的推薦性能，優(yōu)化了推薦項目的順序。本文系統(tǒng)的優(yōu)勢在于加強了對評論不同方面的觀點挖掘，提高了評分預測的魯棒性和總體質量，實驗結果也表明高質量的觀點挖掘技術能夠促進推薦系統(tǒng)的推薦性能。未來將研究雙通道CNN模型在中文環(huán)境和中文語料庫的實現(xiàn)方法，并且收集中文的產(chǎn)品評論實驗數(shù)據(jù)集，進一步完善本文的研究工作。